CN116151491B - 一种基于电力数据的电力故障智慧预测平台 - Google Patents

一种基于电力数据的电力故障智慧预测平台 Download PDF

Info

Publication number
CN116151491B
CN116151491B CN202310425988.5A CN202310425988A CN116151491B CN 116151491 B CN116151491 B CN 116151491B CN 202310425988 A CN202310425988 A CN 202310425988A CN 116151491 B CN116151491 B CN 116151491B
Authority
CN
China
Prior art keywords
data
prediction model
power operation
fault
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310425988.5A
Other languages
English (en)
Other versions
CN116151491A (zh
Inventor
汪宝
敦文斌
王亚臣
佟东海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Port Electric Power Co ltd
Original Assignee
Tianjin Port Electric Power Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Port Electric Power Co ltd filed Critical Tianjin Port Electric Power Co ltd
Priority to CN202310425988.5A priority Critical patent/CN116151491B/zh
Publication of CN116151491A publication Critical patent/CN116151491A/zh
Application granted granted Critical
Publication of CN116151491B publication Critical patent/CN116151491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于电力数据的电力故障智慧预测平台，涉及电力故障预测技术领域，包括数据获取模块、数据分析模块、数据处理模块、构建模块、训练模块、验证模块、测试模块以及参数调节模块，本发明识别获取到的历史电力运行数据中出现运行故障的电力运行数据并确定故障类型，根据故障类型对应的电力运行数据的数据量对故障预测模型中的数据样本进行数据筛选和数据扩充，通过数据样本对故障预测模型进行训练，并根据训练结果对故障预测模型的参数进行调节，智能化程度高，集数据获取、分析、处理、AI学习和AI预测为一体，提高了故障预测模型的训练精度，增加了故障预测模型训练时的调节机制，从而提高了故障预测的准确率。

Description

一种基于电力数据的电力故障智慧预测平台
技术领域
本发明涉及电力故障预测技术领域，尤其涉及一种基于电力数据的电力故障智慧预测平台。
背景技术
电能是当前社会的主要能源，电能通过电网进行传递，而电力设备是构建电网的基本单元，电力设备故障之后再维修不仅造成了用电间断，而且会影响生产效率，因此电力设备的正常运转是持续用电的必要保证。近年来，大数据成为一种新兴生产力，而电网是最为庞大复杂的物联网系统，电网中的各种电力运行数据出现了海量增长，通过电力运行数据对电力设备故障进行预测与检修可以防患于未然，是电力平台应该具备的的重要功能。然而，现有电力故障预测模型在进行故障预测时识别效果较差以及准确度较低，从而导致无法及时预测出相应的电力故障并予以处理。
中国专利公开号：CN111082521A公开了一种电网调控系统的运维数据监视方法及运维系统，该运维数据监视方法及运维系统包括多个分布式运维系统和一个集中式运维系统，将获取到的运维数据分别存储到对应的分布式运维系统中，并将各分布式运维系统中的运维数据上传到集中式运维系统；基于选定的展示模式将各分布式运维系统和集中式运维系统中的运维数据进行展示，实现运维人员对运维数据的全局观测，在分布式运维系统和集中式运维系统中提供多种运维数据展示手段，当电力调控系统发生异常时，运维人员能及时应对，提高了新一代电网调控系统的运维效率，但仍存在以下问题：
1、现有的电力故障预测模型的训练精度较低；
2、现有的电力故障预测模型对训练结果没有相应的调节机制。
发明内容
为此，本发明提供一种基于电力数据的电力故障智慧预测平台，用以克服现有的电力故障预测模型的训练精度较低、对训练结果没有相应的调节机制的问题。
为实现上述目的，本发明提供一种基于电力数据的电力故障智慧预测平台，包括：
数据获取模块，用以获取历史电力运行数据；
数据分析模块，其与所述数据获取模块相连，用以识别所述历史电力运行数据中出现运行故障的电力运行数据，并确定所述运行故障的故障类型以及统计各故障类型对应的电力运行数据的数据量；
数据处理模块，其与所述数据分析模块相连，用以对所述电力运行数据进行数据筛选和数据扩充；
构建模块，其与所述数据处理模块相连，用以通过筛选出的电力运行数据构建故障预测模型以及设置训练该故障预测模型的神经网络层数；
训练模块，其与所述构建模块相连，用以训练所述故障预测模型；
验证模块，其与所述训练模块相连，用以判定所述故障预测模型的训练是否完成，并确定故障预测模型的拟合情况；
测试模块，其与所述验证模块相连，用以判定训练完成的故障预测模型是否合格；
参数调节模块，其分别与所述数据处理模块、所述构建模块和所述验证模块相连，用以调节所述故障预测模型的数据样本的预设数据量和所述故障预测模型的神经网络层数；
其中，所述数据筛选为根据各所述故障类型对应的电力运行数据的初始数据量判定所述故障类型对应的电力运行数据是否可作为故障预测模型的数据样本，所述数据扩充为根据各故障类型对应的电力运行数据的相似度和各故障类型的解决方案的方案相似度判定所述故障类型对应的电力运行数据是否可作为待扩充故障类型对应的扩充数据；
所述数据处理模块根据各所述故障类型对应的电力运行数据的初始数据量Ua和预设数据量的比对结果判定所述故障类型对应的电力运行数据是否可作为故障预测模型的数据样本，其中，所述数据处理模块设置有第一预设数据量U1和第二预设数据量U2，其中U1＜U2，
若Ua≤U1，所述数据处理模块判定所述故障类型对应的电力运行数据不能作为所述故障预测模型的数据样本；
若U1＜Ua≤U2，所述数据处理模块判定对所述故障类型对应的电力运行数据需进行扩充，并在扩充完成时作为所述故障预测模型的数据样本；
若Ua＞U2，所述数据处理模块判定所述故障类型对应的电力运行数据能作为所述故障预测模型的数据样本；
所述构建模块将训练所述故障预测模型的初始神经网络层数设置为C；
所述验证模块计算所述验证集中各电力运行数据的一次输出值偏差Mr1，设定Mr1=|R1-RO|，r=1，2，3˙˙˙r，并根据以下公式计算所述验证集中电力运行数据输出值的一次平均偏差，其中，R1为所述验证集中各电力运行数据的实际输出值，R0为所述验证集中各电力运行数据的理论输出值，
所述验证模块根据所述一次平均偏差和预设平均偏差/>的比对结果判定所述故障预测模型是否完成训练，
若≤/>，所述验证模块判定所述故障预测模型完成训练；
若＞/>，所述验证模块判定所述故障预测模型未完成训练；
所述验证模块判定所述故障预测模型未完成训练时，所述参数调节模块计算所述一次平均偏差和预设平均偏差/>的初始平均偏差差值△/>，设定△/>=/>-/>，所述参数调节模块根据所述初始平均偏差差值△/>对所述故障预测模型数据样本的预设数据量进行调节，所述参数调节模块将调节后的第一预设数据量设置为U12，调节后的第二预设数据量设置为U22，设定U12=U1×Wf，U22=U2×Wf，Wf为调节系数，f=1，2，3；
其中，参数调节模块设置有第一预设差值△、第二预设差值△/>、第一数据量调节系数W1、第二数据量调节系数W2、第三数据量调节系数W3，其中△/>＜△/>，1＜W1＜W2＜W3，
若△≤△/>，参数调节模块选取第一数据量调节系数W1对故障预测模型数据样本的预设数据量进行调节；
若△＜△/>1≤△/>，参数调节模块选取第二数据量调节系数W2对故障预测模型数据样本的预设数据量进行调节；
若△1＞△/>，参数调节模块选取第三数据量调节系数W3对故障预测模型数据样本的预设数据量进行调节；
所述验证模块计算预设数据量调节后形成的验证集中各电力运行数据的二次输出值偏差Mr2，设定Mr2=|R2-RO|，r=1，2，3˙˙˙r，并根据以下公式计算所述验证集中电力运行数据输出值的二次平均偏差，其中，R2为预设数据量调节后形成的验证集中各电力运行数据的实际输出值，R0为预设数据量调节后形成的验证集中各电力运行数据的理论输出值，
所述验证模块根据所述二次平均偏差和预设平均偏差/>的比对结果判定预设数据量调节后的故障预测模型是否完成训练，
若≤/>，所述验证模块判定预设数据量调节后的故障预测模型完成训练；
若＞/>，所述验证模块判定预设数据量调节后的故障预测模型未完成训练；
所述验证模块判定预设数据量调节后的故障预测模型未完成训练时，所述验证模块根据所述一次平均偏差、所述二次平均偏差/>以及所述预设平均偏差/>的比对结果确定预设数据量调节后的故障预测模型的拟合情况，
若＜/>＜/>，所述验证模块判定预设数据量调节后的故障预测模型欠拟合；
若＜/>＜/>，所述验证模块判定预设数据量调节后的故障预测模型过拟合；
所述验证模块判定预设数据量调节后的故障预测模型欠拟合时，所述参数调节模块计算所述二次平均偏差和预设平均偏差/>的欠拟合平均偏差差值△/>，设定△=/>-/>，所述参数调节模块根据所述欠拟合平均偏差差值△/>对预设数据量调节后的故障预测模型的神经网络层数进行调节，所述参数调节模块将调节后的神经网络层数设置为Ch1，设定Ch1=C×Hx，Hx为调节系数，x=1，2，3；
其中，参数调节模块设置有第一层数调节系数H1、第二层数调节系数H2、第三层数调节系数H3，1＜H1＜H2＜H3，
若△≤△/>，参数调节模块选取第一层数调节系数H1对故障预测模型的神经网络层数进行调节；
若△＜△/>≤△/>，参数调节模块选取第二层数调节系数H2对故障预测模型的神经网络层数进行调节；
若△＞△/>，参数调节模块选取第三层数调节系数H3对故障预测模型的神经网络层数进行调节；
当参数调节模块选取第x数据量调节系数Hx对故障预测模型的神经网络层数进行调节时，设定x=1，2，3，参数调节模块将调节后的神经网络层数设置为Ch1，设定Ch1=C×Hx；
所述验证模块判定预设数据量调节后的故障预测模型过拟合时，所述参数调节模块计算所述二次平均偏差和预设平均偏差/>的过拟合平均偏差差值△/>，设定△=/>-/>，所述参数调节模块根据所述过拟合平均偏差差值△/>对预设数据量调节后的故障预测模型的神经网络层数进行调节，所述参数调节模块将调节后的神经网络层数设置为Ch2，设定Ch2=C×Hy，Hy为调节系数，y=4，5，6；
其中，参数调节模块设置有第四层数调节系数H4、第五层数调节系数H5、第六层数调节系数H6，0＜H6＜H5＜H4＜1，
若△≤△/>，参数调节模块选取第四层数调节系数H4对故障预测模型的神经网络层数进行调节；
若△＜△/>≤△/>，参数调节模块选取第五层数调节系数H5对故障预测模型的神经网络层数进行调节；
若△＞△/>，参数调节模块选取第六层数调节系数H6对故障预测模型的神经网络层数进行调节。
进一步地，所述数据处理模块判定所述故障类型对应的电力运行数据需进行扩充时，所述数据处理模块根据各故障类型对应的电力运行数据的相似度F和预设相似度F0的比对结果判定所述故障类型对应的电力运行数据是否可作为待扩充故障类型对应的一次扩充数据，
若F＜F0，所述数据处理模块判定所述故障类型对应的电力运行数据不可作为待扩充故障类型对应的一次扩充数据；
若F≥F0，所述数据处理模块判定所述故障类型对应的电力运行数据可作为待扩充故障类型对应的一次扩充数据；
所述数据处理模块将所述故障类型对应的电力运行数据一次扩充后的数据量设置为Uk1，设定Uk1=Ua+Ub，所述数据处理模块根据所述故障类型对应的电力运行数据一次扩充后的数据量Uk1和第二预设数据量U2的比对结果判定所述故障类型对应的一次扩充后的电力运行数据是否可作为故障预测模型的数据样本，其中Ub为所述故障类型对应的电力运行数据的一次扩充数据量，
若Uk1≤U2，所述数据处理模块判定对所述故障类型对应的一次扩充后的电力运行数据需再次扩充，并在扩充完成时作为所述故障预测模型的数据样本；
若Uk1＞U2，所述数据处理模块判定对所述故障类型对应的一次扩充后的电力运行数据能作为所述故障预测模型的数据样本。
进一步地，所述数据处理模块判定对所述故障类型对应的一次扩充后的电力运行数据需再次扩充时，所述数据处理模块根据各故障类型的解决方案的方案相似度K和预设方案相似度K0的比对结果判定所述故障类型对应的电力运行数据是否可作为待扩充故障类型对应的二次扩充数据，
若K＜K0，所述数据处理模块判定所述故障类型对应的电力运行数据不可作为待扩充故障类型对应的二次扩充数据；
若K≥K0，所述数据处理模块判定所述故障类型对应的电力运行数据可作为待扩充故障类型对应的二次扩充数据；
所述数据处理模块将所述故障类型对应的电力运行数据二次扩充后的数据量设置为Uk2，设定Uk2=Uk1+Uc，所述数据处理模块根据所述故障类型对应的电力运行数据二次扩充后的数据量Uk2和第二预设数据量U2的比对结果判定所述故障类型对应的二次扩充后的电力运行数据是否可作为故障预测模型的数据样本，其中Uc为所述故障类型对应的电力运行数据的二次扩充数据量，
若Uk2≤U2，所述数据处理模块判定所述故障类型对应的二次扩充后的电力运行数据不可作为故障预测模型的数据样本；
若Uk2＞U2，所述数据处理模块判定所述故障类型对应的二次扩充后的电力运行数据可作为故障预测模型的数据样本。
进一步地，所述构建模块将所述故障预测模型的数据样本中的电力运行数据划分为训练集、验证集和测试集，并将训练所述故障预测模型的初始神经网络层数设置为C。
进一步地，所述验证模块判定所述故障预测模型完成训练时，所述测试模块计算所述测试集中各电力运行数据的输出值偏差Mj，设定Mj=|J-JO|，设定j=1，2，3˙˙˙j，并根据以下公式计算所述测试集中电力运行数据输出值的测试集平均偏差，其中，J为所述测试集中各电力运行数据的实际输出值，J0为所述测试集中各电力运行数据的理论输出值，
所述测试模块根据所述测试集平均偏差和预设平均偏差/>的比对结果判定训练完成的故障预测模型是否合格，
若≤/>，所述测试模块判定训练完成的故障预测模型合格，确定将所述故障预测模型用于电力平台；
若＞/>，所述测试模块判定训练完成的故障预测模型不合格，需要重新构建模型。
进一步地，还包括故障预测结果传输模块，其与所述测试模块相连，通过将合格的故障预测模型输出的预测结果通过数据交互接口传输至电力故障智慧预测平台，用以指导人员进行故障预防及故障处理。
与现有技术相比，本发明的有益效果在于，本发明识别获取到的历史电力运行数据中出现运行故障的电力运行数据并确定故障类型，构建针对该故障类型的故障预测模型，根据故障类型对应的电力运行数据的数据量对故障预测模型中的数据样本进行数据筛选和数据扩充，通过数据样本对故障预测模型进行训练，并根据训练结果对故障预测模型的参数进行调节，智能化程度高，集数据获取、分析、处理、AI学习和AI预测为一体，提高了故障预测模型的训练精度，增加了故障预测模型训练时的调节机制，从而提高了故障预测的准确率。
进一步地，数据处理模块根据各故障类型对应的电力运行数据的初始数据量和预设数据量的比对结果判定故障类型对应的电力运行数据是否可作为故障预测模型的数据样本，进一步提高了故障预测模型的训练精度，从而进一步提高了故障预测的准确率。
进一步地，数据处理模块判定故障类型对应的电力运行数据需进行扩充时，数据处理模块根据各故障类型对应的电力运行数据的相似度和预设相似度的比对结果判定故障类型对应的电力运行数据是否可作为待扩充故障类型对应的一次扩充数据；数据处理模块根据故障类型对应的电力运行数据一次扩充后的数据量和第二预设数据量的比对结果判定故障类型对应的一次扩充后的电力运行数据是否可作为故障预测模型的数据样本，进一步提高了故障预测模型的训练精度，从而进一步提高了故障预测的准确率。
进一步地，数据处理模块判定对故障类型对应的一次扩充后的电力运行数据需再次扩充时，数据处理模块根据各故障类型的解决方案的方案相似度和预设方案相似度的比对结果判定故障类型对应的电力运行数据是否可作为待扩充故障类型对应的二次扩充数据；所数据处理模块根据故障类型对应的电力运行数据二次扩充后的数据量和第二预设数据量的比对结果判定故障类型对应的二次扩充后的电力运行数据是否可作为故障预测模型的数据样本，进一步提高了故障预测模型的训练精度，从而进一步提高了故障预测的准确率。
进一步地，构建模块将故障预测模型的数据样本中的电力运行数据划分为训练集、验证集和测试集，并设置训练故障预测模型的初始神经网络层数，进一步提高了故障预测模型的训练精度，从而进一步提高了故障预测的准确率。
进一步地，验证模块计算验证集中各电力运行数据的一次输出值偏差以及验证集中电力运行数据输出值的一次平均偏差，验证模块根据一次平均偏差和预设平均偏差的比对结果判定故障预测模型是否完成训练，进一步提高了故障预测模型的训练精度，从而进一步提高了故障预测的准确率。
进一步地，验证模块判定故障预测模型未完成训练时，参数调节模块计算一次平均偏差和预设平均偏差的初始平均偏差差值，根据初始平均偏差差值对故障预测模型数据样本的预设数据量进行调节；验证模块计算预设数据量调节后形成的验证集中各电力运行数据的二次输出值偏差以及验证集中电力运行数据输出值的二次平均偏差，验证模块根据二次平均偏差和预设平均偏差的比对结果判定预设数据量调节后的故障预测模型是否完成训练；验证模块判定预设数据量调节后的故障预测模型未完成训练时，验证模块根据一次平均偏差、二次平均偏差以及预设平均偏差的比对结果确定预设数据量调节后的故障预测模型的拟合情况，进一步增加了故障预测模型训练时的调节机制，进一步提高了故障预测模型的训练精度，从而进一步提高了故障预测的准确率。
进一步地，验证模块判定预设数据量调节后的故障预测模型欠拟合时，参数调节模块计算二次平均偏差和预设平均偏差的欠拟合平均偏差差值，根据欠拟合平均偏差差值对预设数据量调节后的故障预测模型的神经网络层数进行调节；验证模块判定预设数据量调节后的故障预测模型过拟合时，参数调节模块计算二次平均偏差和预设平均偏差的过拟合平均偏差差值，根据过拟合平均偏差差值对预设数据量调节后的故障预测模型的神经网络层数进行调节，进一步增加了故障预测模型训练时的调节机制，从而进一步提高了故障预测的准确率。
进一步地，验证模块判定故障预测模型完成训练时，测试模块计算测试集中各电力运行数据的输出值偏差以及测试集中电力运行数据输出值的测试集平均偏差，测试模块根据测试集平均偏差和预设平均偏差的比对结果判定训练完成的故障预测模型是否合格，进一步提高了故障预测模型的训练精度，从而进一步提高了故障预测的准确率。
附图说明
图1为本发明所述基于电力数据的电力故障智慧预测平台的逻辑框图；
图2为本发明所述基于电力数据的电力故障智慧预测平台的逻辑流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1和图2所示，图1为本发明所述基于电力数据的电力故障智慧预测平台的逻辑框图，图2为本发明所述基于电力数据的电力故障智慧预测平台的逻辑流程图。
本发明实施例基于电力数据的电力故障智慧预测平台，包括：
数据获取模块，用以获取历史电力运行数据；
数据分析模块，其与数据获取模块相连，用以识别历史电力运行数据中出现运行故障的电力运行数据，并确定运行故障的故障类型以及统计各故障类型对应的电力运行数据的数据量；
数据处理模块，其与数据分析模块相连，用以对运行故障的电力运行数据进行数据筛选和数据扩充；
构建模块，其与数据处理模块相连，用以通过筛选出的电力运行数据构建故障预测模型以及设置训练该故障预测模型的神经网络层数；
训练模块，其与构建模块相连，用以训练故障预测模型；
验证模块，其与训练模块相连，用以判定故障预测模型的训练是否完成，并确定故障预测模型的拟合情况；
测试模块，其与验证模块相连，用以判定训练完成的故障预测模型是否合格；
参数调节模块，其分别与数据处理模块、构建模块和验证模块相连，用以调节故障预测模型的数据样本的预设数据量和故障预测模型的神经网络层数；
其中，数据筛选为根据各故障类型对应的电力运行数据的初始数据量判定故障类型对应的电力运行数据是否可作为故障预测模型的数据样本，数据扩充为根据各故障类型对应的电力运行数据的相似度和各故障类型的解决方案的方案相似度判定故障类型对应的电力运行数据是否可作为待扩充故障类型对应的扩充数据。
本发明实施例的电力故障智慧预测平台通过http接口的方式获取外部智能电力调控平台的电力运行数据，包括但不限于接收调控平台转发数据、接收电力调控平台数据传输文件。
本发明实施例中，历史电力运行数据包括但不限于电力SCADA数据，光伏数据，风电数据，储能数据，计量数据，岸电数据。
本发明实施例中，历史电力运行数据中出现运行故障的电力运行数据包括但不限于电力线路出现运行故障时的电流、电压、电阻、功率。
具体而言，数据处理模块根据各故障类型对应的电力运行数据的初始数据量Ua和预设数据量的比对结果判定故障类型对应的电力运行数据是否可作为故障预测模型的数据样本，其中，数据处理模块设置有第一预设数据量U1和第二预设数据量U2，其中U1＜U2，
若Ua≤U1，数据处理模块判定故障类型对应的电力运行数据不能作为故障预测模型的数据样本；
若U1＜Ua≤U2，数据处理模块判定对故障类型对应的电力运行数据需进行扩充，并在扩充完成时作为故障预测模型的数据样本；
若Ua＞U2，数据处理模块判定故障类型对应的电力运行数据能作为故障预测模型的数据样本。
具体而言，数据处理模块判定故障类型对应的电力运行数据需进行扩充时，数据处理模块根据各故障类型对应的电力运行数据的相似度F和预设相似度F0的比对结果判定故障类型对应的电力运行数据是否可作为待扩充故障类型对应的一次扩充数据，
若F＜F0，数据处理模块判定故障类型对应的电力运行数据不可作为待扩充故障类型对应的一次扩充数据；
若F≥F0，数据处理模块判定故障类型对应的电力运行数据可作为待扩充故障类型对应的一次扩充数据；
可以理解的是，相似度F为出现运行故障的电力运行数据在编码方式的比对下的相似度；
数据处理模块将故障类型对应的电力运行数据一次扩充后的数据量设置为Uk1，设定Uk1=Ua+Ub，数据处理模块根据故障类型对应的电力运行数据一次扩充后的数据量Uk1和第二预设数据量U2的比对结果判定故障类型对应的一次扩充后的电力运行数据是否可作为故障预测模型的数据样本，其中Ub为故障类型对应的电力运行数据的一次扩充数据量，
若Uk1≤U2，数据处理模块判定对故障类型对应的一次扩充后的电力运行数据需再次扩充，并在扩充完成时作为故障预测模型的数据样本；
若Uk1＞U2，数据处理模块判定对故障类型对应的一次扩充后的电力运行数据能作为故障预测模型的数据样本。
具体而言，数据处理模块判定对故障类型对应的一次扩充后的电力运行数据需再次扩充时，数据处理模块根据各故障类型的解决方案的方案相似度K和预设方案相似度K0的比对结果判定故障类型对应的电力运行数据是否可作为待扩充故障类型对应的二次扩充数据，
若K＜K0，数据处理模块判定故障类型对应的电力运行数据不可作为待扩充故障类型对应的二次扩充数据；
若K≥K0，数据处理模块判定故障类型对应的电力运行数据可作为待扩充故障类型对应的二次扩充数据；
可以理解的是，解决方案数据是指以文字形式记录的解决运行故障的操作步骤，相似度K为运行故障的解决方案数据在文字的比对下的相似度。
数据处理模块将故障类型对应的电力运行数据二次扩充后的数据量设置为Uk2，设定Uk2=Uk1+Uc，数据处理模块根据故障类型对应的电力运行数据二次扩充后的数据量Uk2和第二预设数据量U2的比对结果判定故障类型对应的二次扩充后的电力运行数据是否可作为故障预测模型的数据样本，其中Uc为故障类型对应的电力运行数据的二次扩充数据量，
若Uk2≤U2，数据处理模块判定故障类型对应的二次扩充后的电力运行数据不可作为故障预测模型的数据样本；
若Uk2＞U2，数据处理模块判定故障类型对应的二次扩充后的电力运行数据可作为故障预测模型的数据样本；
可以理解的是，当数据处理模块判定故障类型对应的二次扩充后的电力运行数据不可作为故障预测模型的数据样本时，在大数据中筛选符合故障本身或者解决方案相似度要求的电力运行数据对故障预测模型的数据样本进行三次扩充，直至电力运行数据的数据量可作为故障预测模型的学习样本。
具体而言，构建模块将故障预测模型的数据样本中的电力运行数据划分为训练集、验证集和测试集，并将训练故障预测模型的初始神经网络层数设置为C。
具体而言，验证模块计算验证集中各电力运行数据的一次输出值偏差Mr1，设定Mr1=|R1-RO|，r=1，2，3˙˙˙r，并根据以下公式计算验证集中电力运行数据输出值的一次平均偏差，其中，R1为验证集中各电力运行数据的实际输出值，R0为验证集中各电力运行数据的理论输出值，
验证模块根据一次平均偏差和预设平均偏差/>的比对结果判定故障预测模型是否完成训练，
若≤/>，验证模块判定故障预测模型完成训练；
若＞/>，验证模块判定故障预测模型未完成训练；
具体而言，验证模块判定故障预测模型未完成训练时，参数调节模块计算一次平均偏差和预设平均偏差/>的初始平均偏差差值△/>，设定△/>=/>-/>，参数调节模块根据初始平均偏差差值△/>和预设差值的比对结果选取相应的数据量调节系数对故障预测模型数据样本的预设数据量进行调节，
其中，参数调节模块设置有第一预设差值△、第二预设差值△/>、第一数据量调节系数W1、第二数据量调节系数W2、第三数据量调节系数W3，其中△/>＜△/>，1＜W1＜W2＜W3，
若△≤△/>，参数调节模块选取第一数据量调节系数W1对故障预测模型数据样本的预设数据量进行调节；
若△＜△/>1≤△/>，参数调节模块选取第二数据量调节系数W2对故障预测模型数据样本的预设数据量进行调节；
若△1＞△/>，参数调节模块选取第三数据量调节系数W3对故障预测模型数据样本的预设数据量进行调节；
当参数调节模块选取第f数据量调节系数Wf对故障预测模型数据样本的预设数据量进行调节时，设定f=1，2，3，且选取相同的数据量调节系数Wf对第一预设数据量U1和第二预设数据量U2同时进行调节，参数调节模块将调节后的第一预设数据量设置为U12，调节后的第二预设数据量设置为U22，设定U12=U1×Wf，U22=U2×Wf；
验证模块计算预设数据量调节后形成的验证集中各电力运行数据的二次输出值偏差Mr2，设定Mr2=|R2-RO|，r=1，2，3˙˙˙r，并根据以下公式计算验证集中电力运行数据输出值的二次平均偏差，其中，R2为预设数据量调节后形成的验证集中各电力运行数据的实际输出值，R0为预设数据量调节后形成的验证集中各电力运行数据的理论输出值，
验证模块根据二次平均偏差和预设平均偏差/>的比对结果判定预设数据量调节后的故障预测模型是否完成训练，
若≤/>，验证模块判定预设数据量调节后的故障预测模型完成训练；
若＞/>，验证模块判定预设数据量调节后的故障预测模型未完成训练；
验证模块判定预设数据量调节后的故障预测模型未完成训练时，验证模块根据一次平均偏差、二次平均偏差/>以及预设平均偏差/>的比对结果确定预设数据量调节后的故障预测模型的拟合情况，
若＜/>＜/>，验证模块判定预设数据量调节后的故障预测模型欠拟合；
若＜/>＜/>，验证模块判定预设数据量调节后的故障预测模型过拟合。
具体而言，验证模块判定预设数据量调节后的故障预测模型欠拟合时，参数调节模块计算二次平均偏差和预设平均偏差/>的欠拟合平均偏差差值△/>，设定△=/>-/>，参数调节模块根据欠拟合平均偏差差值△/>和预设差值的比对结果选取相应的神经网络层数调节系数对预设数据量调节后的故障预测模型的神经网络层数进行调节，
其中，参数调节模块设置有第一层数调节系数H1、第二层数调节系数H2、第三层数调节系数H3，1＜H1＜H2＜H3，
若△≤△/>，参数调节模块选取第一层数调节系数H1对故障预测模型的神经网络层数进行调节；
若△＜△/>≤△/>，参数调节模块选取第二层数调节系数H2对故障预测模型的神经网络层数进行调节；
若△＞△/>，参数调节模块选取第三层数调节系数H3对故障预测模型的神经网络层数进行调节；
当参数调节模块选取第x数据量调节系数Hx对故障预测模型的神经网络层数进行调节时，设定x=1，2，3，参数调节模块将调节后的神经网络层数设置为Ch1，设定Ch1=C×Hx；
验证模块判定预设数据量调节后的故障预测模型过拟合时，参数调节模块计算二次平均偏差和预设平均偏差/>的过拟合平均偏差差值△/>，设定△/>=/>-/>，参数调节模块根据过拟合平均偏差差值△/>对预设数据量调节后的故障预测模型的神经网络层数进行调节，
其中，参数调节模块设置有第四层数调节系数H4、第五层数调节系数H5、第六层数调节系数H6，0＜H6＜H5＜H4＜1，
若△≤△/>，参数调节模块选取第四层数调节系数H4对故障预测模型的神经网络层数进行调节；
若△＜△/>≤△/>，参数调节模块选取第五层数调节系数H5对故障预测模型的神经网络层数进行调节；
若△＞△/>，参数调节模块选取第六层数调节系数H6对故障预测模型的神经网络层数进行调节；
当参数调节模块选取第y数据量调节系数Hy对故障预测模型的神经网络层数进行调节时，设定y=4，5，6，参数调节模块将调节后的神经网络层数设置为Ch2，设定Ch2=C×Hy。
具体而言，验证模块判定故障预测模型完成训练时，测试模块计算测试集中各电力运行数据的输出值偏差Mj，设定Mj=|J-JO|，设定j=1，2，3˙˙˙j，并根据以下公式计算测试集中电力运行数据输出值的测试集平均偏差，其中，J为测试集中各电力运行数据的实际输出值，J0为测试集中各电力运行数据的理论输出值，
测试模块根据测试集平均偏差和预设平均偏差/>的比对结果判定训练完成的故障预测模型是否合格，
若≤/>，测试模块判定训练完成的故障预测模型合格，确定将故障预测模型用于电力平台；
若＞/>，测试模块判定训练完成的故障预测模型不合格，需要重新构建模型。
具体而言，基于电力运行数据的电力故障智慧预测平台还包括故障预测结果传输模块，其与测试模块相连，通过将合格的故障预测模型输出的预测结果通过数据交互接口传输至电力故障智慧预测平台，用以指导人员进行故障预防及故障处理。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于电力数据的电力故障智慧预测平台，其特征在于，包括：
数据获取模块，用以获取历史电力运行数据；
数据分析模块，其与所述数据获取模块相连，用以识别所述历史电力运行数据中出现运行故障的电力运行数据，并确定所述运行故障的故障类型以及统计各故障类型对应的电力运行数据的数据量；
数据处理模块，其与所述数据分析模块相连，用以对所述电力运行数据进行数据筛选和数据扩充；
构建模块，其与所述数据处理模块相连，用以通过筛选出的电力运行数据构建故障预测模型以及设置训练该故障预测模型的神经网络层数；
训练模块，其与所述构建模块相连，用以训练所述故障预测模型；
验证模块，其与所述训练模块相连，用以判定所述故障预测模型的训练是否完成，并确定故障预测模型的拟合情况；
测试模块，其与所述验证模块相连，用以判定训练完成的故障预测模型是否合格；
参数调节模块，其分别与所述数据处理模块、所述构建模块和所述验证模块相连，用以调节所述故障预测模型的数据样本的预设数据量和所述故障预测模型的神经网络层数；
其中，所述数据筛选为根据各所述故障类型对应的电力运行数据的初始数据量判定所述故障类型对应的电力运行数据是否可作为故障预测模型的数据样本，所述数据扩充为根据各故障类型对应的电力运行数据的相似度和各故障类型的解决方案的方案相似度判定所述故障类型对应的电力运行数据是否可作为待扩充故障类型对应的扩充数据；
所述数据处理模块根据各所述故障类型对应的电力运行数据的初始数据量Ua和预设数据量的比对结果判定所述故障类型对应的电力运行数据是否可作为故障预测模型的数据样本，其中，所述数据处理模块设置有第一预设数据量U1和第二预设数据量U2，其中U1＜U2，
若Ua≤U1，所述数据处理模块判定所述故障类型对应的电力运行数据不能作为所述故障预测模型的数据样本；
若U1＜Ua≤U2，所述数据处理模块判定对所述故障类型对应的电力运行数据需进行扩充，并在扩充完成时作为所述故障预测模型的数据样本；
若Ua＞U2，所述数据处理模块判定所述故障类型对应的电力运行数据能作为所述故障预测模型的数据样本；
所述构建模块将训练所述故障预测模型的初始神经网络层数设置为C；
所述验证模块计算所述验证集中各电力运行数据的一次输出值偏差Mr1，设定Mr1=|R1-RO|，r=1，2，3˙˙˙r，并根据以下公式计算所述验证集中电力运行数据输出值的一次平均偏差 ，其中，R1为所述验证集中各电力运行数据的实际输出值，R0为所述验证集中各电力运行数据的理论输出值，
所述验证模块根据所述一次平均偏差和预设平均偏差/>的比对结果判定所述故障预测模型是否完成训练，
若≤/>，所述验证模块判定所述故障预测模型完成训练；
若＞/>，所述验证模块判定所述故障预测模型未完成训练；
所述验证模块判定所述故障预测模型未完成训练时，所述参数调节模块计算所述一次平均偏差和预设平均偏差/>的初始平均偏差差值△/>，设定△/>=/>-/>，所述参数调节模块根据所述初始平均偏差差值△/>对所述故障预测模型数据样本的预设数据量进行调节，所述参数调节模块将调节后的第一预设数据量设置为U12，调节后的第二预设数据量设置为U22，设定U12=U1×Wf，U22=U2×Wf，Wf为调节系数，f=1，2，3；
其中，参数调节模块设置有第一预设差值△、第二预设差值△/>、第一数据量调节系数W1、第二数据量调节系数W2、第三数据量调节系数W3，其中△/>＜△/>，1＜W1＜W2＜W3，
若△≤△/>，参数调节模块选取第一数据量调节系数W1对故障预测模型数据样本的预设数据量进行调节；
若△＜△/>1≤△/>，参数调节模块选取第二数据量调节系数W2对故障预测模型数据样本的预设数据量进行调节；
若△1＞△/>，参数调节模块选取第三数据量调节系数W3对故障预测模型数据样本的预设数据量进行调节；
所述验证模块计算预设数据量调节后形成的验证集中各电力运行数据的二次输出值偏差Mr2，设定Mr2=|R2-RO|，r=1，2，3˙˙˙r，并根据以下公式计算所述验证集中电力运行数据输出值的二次平均偏差，其中，R2为预设数据量调节后形成的验证集中各电力运行数据的实际输出值，R0为预设数据量调节后形成的验证集中各电力运行数据的理论输出值，
所述验证模块根据所述二次平均偏差和预设平均偏差/>的比对结果判定预设数据量调节后的故障预测模型是否完成训练，
若≤/>，所述验证模块判定预设数据量调节后的故障预测模型完成训练；
若＞/>，所述验证模块判定预设数据量调节后的故障预测模型未完成训练；
所述验证模块判定预设数据量调节后的故障预测模型未完成训练时，所述验证模块根据所述一次平均偏差、所述二次平均偏差/>以及所述预设平均偏差/>的比对结果确定预设数据量调节后的故障预测模型的拟合情况，
若＜/>＜/>，所述验证模块判定预设数据量调节后的故障预测模型欠拟合；
若＜/>＜/>，所述验证模块判定预设数据量调节后的故障预测模型过拟合；
所述验证模块判定预设数据量调节后的故障预测模型欠拟合时，所述参数调节模块计算所述二次平均偏差和预设平均偏差/>的欠拟合平均偏差差值△/>，设定△/>=-/>，所述参数调节模块根据所述欠拟合平均偏差差值△/>对预设数据量调节后的故障预测模型的神经网络层数进行调节，所述参数调节模块将调节后的神经网络层数设置为Ch1，设定Ch1=C×Hx，Hx为调节系数，x=1，2，3；
其中，参数调节模块设置有第一层数调节系数H1、第二层数调节系数H2、第三层数调节系数H3，1＜H1＜H2＜H3，
若△≤△/>，参数调节模块选取第一层数调节系数H1对故障预测模型的神经网络层数进行调节；
若△＜△/>≤△/>，参数调节模块选取第二层数调节系数H2对故障预测模型的神经网络层数进行调节；
若△＞△/>，参数调节模块选取第三层数调节系数H3对故障预测模型的神经网络层数进行调节；
当参数调节模块选取第x数据量调节系数Hx对故障预测模型的神经网络层数进行调节时，设定x=1，2，3，参数调节模块将调节后的神经网络层数设置为Ch1，设定Ch1=C×Hx；
所述验证模块判定预设数据量调节后的故障预测模型过拟合时，所述参数调节模块计算所述二次平均偏差和预设平均偏差/>的过拟合平均偏差差值△/>，设定△/>=-/>，所述参数调节模块根据所述过拟合平均偏差差值△/>对预设数据量调节后的故障预测模型的神经网络层数进行调节，所述参数调节模块将调节后的神经网络层数设置为Ch2，设定Ch2=C×Hy，Hy为调节系数，y=4，5，6；
其中，参数调节模块设置有第四层数调节系数H4、第五层数调节系数H5、第六层数调节系数H6，0＜H6＜H5＜H4＜1，
若△≤△/>，参数调节模块选取第四层数调节系数H4对故障预测模型的神经网络层数进行调节；
若△＜△/>≤△/>，参数调节模块选取第五层数调节系数H5对故障预测模型的神经网络层数进行调节；
若△＞△/>，参数调节模块选取第六层数调节系数H6对故障预测模型的神经网络层数进行调节。
2.根据权利要求1所述的基于电力数据的电力故障智慧预测平台，其特征在于，所述数据处理模块判定所述故障类型对应的电力运行数据需进行扩充时，所述数据处理模块根据各故障类型对应的电力运行数据的相似度F和预设相似度F0的比对结果判定所述故障类型对应的电力运行数据是否可作为待扩充故障类型对应的一次扩充数据，
若F＜F0，所述数据处理模块判定所述故障类型对应的电力运行数据不可作为待扩充故障类型对应的一次扩充数据；
若F≥F0，所述数据处理模块判定所述故障类型对应的电力运行数据可作为待扩充故障类型对应的一次扩充数据；
所述数据处理模块将所述故障类型对应的电力运行数据一次扩充后的数据量设置为Uk1，设定Uk1=Ua+Ub，所述数据处理模块根据所述故障类型对应的电力运行数据一次扩充后的数据量Uk1和第二预设数据量U2的比对结果判定所述故障类型对应的一次扩充后的电力运行数据是否可作为故障预测模型的数据样本，其中Ub为所述故障类型对应的电力运行数据的一次扩充数据量，
若Uk1≤U2，所述数据处理模块判定对所述故障类型对应的一次扩充后的电力运行数据需再次扩充，并在扩充完成时作为所述故障预测模型的数据样本；
若Uk1＞U2，所述数据处理模块判定对所述故障类型对应的一次扩充后的电力运行数据能作为所述故障预测模型的数据样本。
3.根据权利要求2所述的基于电力数据的电力故障智慧预测平台，其特征在于，所述数据处理模块判定对所述故障类型对应的一次扩充后的电力运行数据需再次扩充时，所述数据处理模块根据各故障类型的解决方案的方案相似度K和预设方案相似度K0的比对结果判定所述故障类型对应的电力运行数据是否可作为待扩充故障类型对应的二次扩充数据，
若K＜K0，所述数据处理模块判定所述故障类型对应的电力运行数据不可作为待扩充故障类型对应的二次扩充数据；
若K≥K0，所述数据处理模块判定所述故障类型对应的电力运行数据可作为待扩充故障类型对应的二次扩充数据；
所述数据处理模块将所述故障类型对应的电力运行数据二次扩充后的数据量设置为Uk2，设定Uk2=Uk1+Uc，所述数据处理模块根据所述故障类型对应的电力运行数据二次扩充后的数据量Uk2和第二预设数据量U2的比对结果判定所述故障类型对应的二次扩充后的电力运行数据是否可作为故障预测模型的数据样本，其中Uc为所述故障类型对应的电力运行数据的二次扩充数据量，
若Uk2≤U2，所述数据处理模块判定所述故障类型对应的二次扩充后的电力运行数据不可作为故障预测模型的数据样本；
若Uk2＞U2，所述数据处理模块判定所述故障类型对应的二次扩充后的电力运行数据可作为故障预测模型的数据样本。
4.根据权利要求3所述的基于电力数据的电力故障智慧预测平台，其特征在于，所述构建模块将所述故障预测模型的数据样本中的电力运行数据划分为训练集、验证集和测试集。
5.根据权利要求1所述的基于电力数据的电力故障智慧预测平台，其特征在于，所述验证模块判定所述故障预测模型完成训练时，所述测试模块计算所述测试集中各电力运行数据的输出值偏差Mj，设定Mj=|J-JO|，设定j=1，2，3˙˙˙j，并根据以下公式计算所述测试集中电力运行数据输出值的测试集平均偏差，其中，J为所述测试集中各电力运行数据的实际输出值，J0为所述测试集中各电力运行数据的理论输出值，
所述测试模块根据所述测试集平均偏差和预设平均偏差/>的比对结果判定训练完成的故障预测模型是否合格，
若≤/>，所述测试模块判定训练完成的故障预测模型合格，确定将所述故障预测模型用于电力平台；
若＞/>，所述测试模块判定训练完成的故障预测模型不合格，需要重新构建模型。
6.根据权利要求1所述的基于电力数据的电力故障智慧预测平台，其特征在于，还包括故障预测结果传输模块，其与所述测试模块相连，通过将合格的故障预测模型输出的预测结果通过数据交互接口传输至电力故障智慧预测平台，用以指导人员进行故障预防及故障处理。
CN202310425988.5A 2023-04-20 2023-04-20 一种基于电力数据的电力故障智慧预测平台 Active CN116151491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310425988.5A CN116151491B (zh) 2023-04-20 2023-04-20 一种基于电力数据的电力故障智慧预测平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310425988.5A CN116151491B (zh) 2023-04-20 2023-04-20 一种基于电力数据的电力故障智慧预测平台

Publications (2)

Publication Number Publication Date
CN116151491A CN116151491A (zh) 2023-05-23
CN116151491B true CN116151491B (zh) 2023-07-18

Family

ID=86351022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310425988.5A Active CN116151491B (zh) 2023-04-20 2023-04-20 一种基于电力数据的电力故障智慧预测平台

Country Status (1)

Country Link
CN (1) CN116151491B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255160A (zh) * 2018-08-17 2019-01-22 东南大学 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法
CN114548192A (zh) * 2020-11-23 2022-05-27 千寻位置网络有限公司 样本数据处理方法、装置、电子设备及介质
CN115062132A (zh) * 2022-07-04 2022-09-16 阿里巴巴（中国）有限公司 识别模型训练方法及装置、意图类别识别方法及装置
CN115758151A (zh) * 2022-11-22 2023-03-07 上海交通大学 联合诊断模型建立方法、光伏组件故障诊断方法
CN115859099A (zh) * 2022-11-22 2023-03-28 上海交通大学 样本生成方法、装置、电子设备和存储介质
CN115937039A (zh) * 2022-12-27 2023-04-07 北京百度网讯科技有限公司 数据扩充方法、装置、电子设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255160A (zh) * 2018-08-17 2019-01-22 东南大学 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法
CN114548192A (zh) * 2020-11-23 2022-05-27 千寻位置网络有限公司 样本数据处理方法、装置、电子设备及介质
CN115062132A (zh) * 2022-07-04 2022-09-16 阿里巴巴（中国）有限公司 识别模型训练方法及装置、意图类别识别方法及装置
CN115758151A (zh) * 2022-11-22 2023-03-07 上海交通大学 联合诊断模型建立方法、光伏组件故障诊断方法
CN115859099A (zh) * 2022-11-22 2023-03-28 上海交通大学 样本生成方法、装置、电子设备和存储介质
CN115937039A (zh) * 2022-12-27 2023-04-07 北京百度网讯科技有限公司 数据扩充方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN116151491A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
EP3451479A1 (en) System and method for distribution load forecasting in a power grid
CN111369168B (zh) 一种适应电网多种调控运行场景的关联特征选择方法
CN111695736B (zh) 一种基于多模型融合的光伏发电短期功率预测方法
CN116256602B (zh) 一种低压配电网状态异常的识别方法和系统
CN116125361B (zh) 电压互感器误差评估方法、系统、电子设备及存储介质
KR102324783B1 (ko) 심층 신경망 기반 전력 수요 예측 장치 및 방법
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
CN117394412A (zh) 一种电网储能系统的调度控制系统及方法
CN112734141B (zh) 一种多元化负荷区间预测方法及装置
CN116151491B (zh) 一种基于电力数据的电力故障智慧预测平台
CN106971239A (zh) 一种改进的参考电网评价方法
CN109101659A (zh) 一种小水电数据采集系统中功率数据异常的方法
EP4142088A1 (en) Predicting grid frequency
CN114186178A (zh) 一种基于设备全生命周期监管的泵站优化运行方法
KR20220025511A (ko) 스마트 팩토리 에너지 관리 방법 및 장치
CN107194594B (zh) 一种基于iec61850的背靠背换流站物理信息系统可靠性评估方法
CN117540330B (zh) 基于自学习功能的配电柜系统
CN117250465B (zh) 用于半导体器件老化测试的环境控制调节系统
CN117277355B (zh) 一种智慧监测数据的输电方法及系统
CN118378156B (zh) 基于历史数据分析的厂站关口计量数据缺失拟合优化方法、系统、电子设备及存储介质
CN111884239B (zh) 储能电站调节方法
CN116683511A (zh) 一种储能容量决策方法
CN117217417A (zh) 居民用电调节潜力评估方法
CN118134684A (zh) 基于松弛聚类机组组合模型的储能安全高效规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant